基于三导联脑电采集诊断算法的研究

王金玉，周丽丽，刘 琦，杜寅甫

(黑龙江省科学院智能制造研究所，哈尔滨 150090)

0 引言

脑卒中具有较高的致残率，不仅给患者及家庭造成沉重负担，更会影响患者心理健康。研究表明，急性期缺血性脑卒中患者由于起病时间短，躯体症状严重，心理负担较大，容易导致抑郁，严重者会产生自杀意念，自杀可能性高达10%。如何提高脑科疾病的早期检出率及提高卒中患者的术后生活质量和自主生活程度成为重要的研究课题。

脑机接口技术(Brain Computer Interface，BCI)作为首选解决方案备受关注，而三导联脑电采集装置作为脑机接口设备，具备测量结果准确稳定、方便快捷、无需使用导电膏、穿戴舒适、适合日常长期动态脑电监测等优点，不仅可以作为脑科医疗领域早期诊断辅助设备和术后生活辅助设备使用，而且对于医疗、BCI等领域都具有极其重要的研究意义，基于此，开展了基于穿戴式三导联脑电采集装置的脑电采集诊断算法研究。

基于可穿戴式三导联脑电采集装置进行脑电信号采集，通过小波变换结合Kalman滤波技术，处理脑电信号，去除与大脑认知功能无关的眼电伪迹信号，提高信号采集的准确性。结合多尺度脑电特征提取，通过采集被测人的脑电特征信号并与脑卒中脑电特征信号进行对比，检测被测人是否存在脑卒中风险，以实现脑卒中脑电特征诊断。由于三导联电采集信号实际中存在精度问题，因此重点在于算法优化，以实现更高精度的信号采集及分类处理。

1 诊断算法研究

1.1 小波变换

EEG信号分析中，最常用的处理工具是傅里叶变换。它是一种将信号从时域通过积分变换成为基于频域分布的数学工具，通过小波分析处理EEG信号时，本质上是通过小波变换让EEG信号沿着整个时间轴平移，在小波信号平移的同时对EEG信号做压缩和伸长变换。这里定义一维EEG信号f(t)的连续小波变换如下：

其中，Φ(t)为小波函数，a是尺度大小，b是位移。这个变换是线性的，满足位移不变和尺度比例变换。

f(t)→W(a,b);那么就有f(t-τ)→W(a,b-τ)，

并且有

这个比列变换特性使得小波变换适合分析多层结构的信号，从小波变换又可以重构出原始信号：

为了能够用计算机处理数字信号，需要将小波系数进行离散化处理。如果处理的是带限信号，那么离散小波变换就可以从抽样理论推导出来。多分辨分析是由在不同尺度下通过采样和滤波生成的子集与信号内积得到的。

1.2 Kalman滤波算法

Kalman滤波是一种最优状态估计方法，可以用于受随机信号噪声干扰的动态测量系统。脑电信号监测的同时会产生眼电等伪迹，选择Kalman滤波可以很好地解决这一问题。通过Kalman滤波器用状态空间来描述EEG监测系统，通过建立EEG信号状态方程，用监测到的前一个EEG信号状态值与最近一个观测EEG信号数据来完成当前的状态变量估计。这种递推思想，没有使用到所有过去的观测值，而仅仅使用了前一个状态估计值，所以离散型Kalman滤波非常适合计算机处理。其中，状态方程用于描述状态变量的动态变化规律，对信号没有做要求，因此信号可以是平稳的，也可以是非平稳随机信号，这正好适合于EEG信号处理要求。

眼电是一个AR过程，可以通过信号观察估计出AR(p)的过程，可以定义下列方程：

通过这个式子，可以估算出眼电。

假设观察信号是由x(k)观测所得，可以得到两个方程：

xk=Akxk-1+wk-1

yk=Ckxk+vk

Ak为状态转移矩阵，描述系统状态由时间k-1的状态到时间k的状态之间的转移；Ck为量测矩阵，描述状态经其作用，变成可量测或可观测的；xk为状态向量，是不可观测的；yk为观测向量；wk为过程噪声；vk为量测噪声。假设wk、vk都是零均值白噪声，方差分别是Qk和Rk，并且初始状态x0与wk、vk都不相关，且噪声向量wk、vk也互不相关。

当假设系统的观测噪声和输入信号为零时，可以得到：

为了提高状态估计质量，通过输出信号与输出估计信号的差值来校正状态变量：

在此基础上，利用小波变换来去除眼电伪迹。通常处理方法是将EEG进行小波分解成几部分，比较阈值分解系数并处理这些系数重构原始EEG。这种方法的问题在于难以确定分解层数和阈值。成分分析方法中，有主成分分析(PCA)和独立成分分析法(ICA)。PCA方法是把EEG 信号变换成一组相互独立的成分，从中去掉不需要的伪迹成分，再重构 EEG。但这种方法的劣势在于对输入信号的相互独立要求。为了去除伪迹，可以考虑多种方法的融合，通过不同算法优势相结合，得到EEG信号。由此提出了基于离散小波和卡尔曼滤波相结合的滤波算法。对提取到的眼电伪迹，经过卡尔曼滤波器，把眼电中的随机噪声滤除，得到干净的眼电，把这个干净的眼电与带眼电的脑电信号相减，得到纯净的脑电信号。

图1 眼电伪迹去除方法图Fig.1 Removal method of opalectiole pseudo trace

2 多尺度脑电特征提取

通过采集被测人的脑电特征信号并与脑卒中脑电特征信号进行对比，检测被测人是否存在脑卒中的风险，以实现脑卒中脑电特征诊断。主要采用多尺度脑电特征提取技术，建立脑卒中脑电特征模型。多尺度脑电特征提取模型总体框架如图2所示，该模型包括3个核心部分：多尺度卷积模块、残差模块、挤压激励模块。其中，卷积模块负责提取脑电信号，将原始脑电信号中的时域、频域和时频特征提取出来；残差模块负责特征融合部分，将不同特征信号进行融合对比，通过特征残差来解决不同信号的差异问题；挤压激励模块负责特征选择，对提取出来的特征信号进行权重分配，选出重要的特征信号，这样可以有效避免算法的冗余，提高EEG信号分类处理精度。

图2 多尺度脑电特征提取模型总体框架图Fig.2 Overall framework of multi-scale EEG feature extraction model

脑电特征提取过程中，利用较少的EEG信息，提取到更多、更准确的信号分类，一直是脑电信号处理的重要环节。多尺度脑电特征提取方法可以很好地解决这一问题，通过卷积模块从原始脑电信号中提取时域、频域及时频特征，结合残差、激励模块的共同作用，实现EEG信号处理的整个过程，其结构如图3所示：

图3 多尺度卷积模块Fig.3 Multiscale convolution module

基于医学、自动控制和BCI技术等，对脑卒中患者的BCI应用问题，尤其是老年脑卒中后遗症的脑电检测技术进行研究。通过实验组合和正常组脑电信号监测的对比研究，验证了算法的有效性。

3 实验研究

一般情况下，无创式脑机接口采用的是放置在头皮表面的生物电极，通过电极的放置来监测脑电信号。目前常用的监测方式有两种：单极导联和双极导联。采用的导联数越多，则可以得到更全面的脑电信号，但同时也会有很多无用信息的干扰。采用三导联脑电采集方式，它们分别是位于前额中间的红电极、位于眉骨斜上方的黄电极和位于颧骨部位的绿电极。通过无创式脑机设备监测脑电信号，将导联电极贴在面部肌肉相对较少的位置，能够从物理层面减少眼电(EOG)和肌电(EMG)信号的干扰。进行实验时一定要保证脸部清洁，如果油脂过大或破损，会严重影响实验结果。

4 结语

通过实验，采集脑卒中患者和正常人脑电信号进行比对，对静息状态下的脑电信号进行三导联脑电信号采集。在对被试者的研究中，将其分为抑郁组35人，对照组35人，对两组人群的脑电特征分别计算，再求平均，得到两组人群的脑电特征，通过实验可以明显看出差异，说明可以通过三导联脑电传感器，监测前额叶脑电波，来诊断出潜在的脑卒中发病患者。